Skip to content

压力测试与情景分析

压力测试概述 (Stress Testing)

压力测试 (Stress Testing) 是评估金融机构在极端但合理 (Extreme but Plausible) 的不利情景下的损失承受能力。它弥补了 VaR 等统计模型的不足——VaR 基于历史数据和正常市场假设，而压力测试专注于尾部风险和结构性变化。

压力测试 vs. VaR

VaR 回答的是"正常情况下最大可能损失多少"，压力测试回答的是"如果发生某种极端事件，我们会损失多少"。两者互补而非替代，共同构成完整的风险管理框架。

历史情景法 (Historical Scenarios)

历史情景法使用真实发生过的市场危机数据，评估当前组合在同样情景下的损失。

典型历史情景

情景 时间 主要特征
1987 年黑色星期一 1987.10 美股单日暴跌 22%，波动率飙升
亚洲金融危机 1997-1998 新兴市场货币崩溃，传染效应
LTCM / 俄罗斯危机 1998.08 信用利差飙升，流动性枯竭
互联网泡沫破裂 2000-2002 科技股估值崩塌
全球金融危机 2007-2009 系统性去杠杆，信用市场冻结
欧债危机 2010-2012 主权信用风险，欧元区解体担忧
COVID-19 冲击 2020.03 全资产类别急剧抛售

计算方法

将历史情景中各风险因子的变化幅度应用到当前组合：

\[\Delta V = \sum_i \frac{\partial V}{\partial f_i}\Delta f_i^{\text{historical}} + \frac{1}{2}\sum_{i,j}\frac{\partial^2 V}{\partial f_i \partial f_j}\Delta f_i^{\text{historical}}\Delta f_j^{\text{historical}} + \cdots\]

对于非线性头寸（期权等），需要进行全重估 (Full Revaluation) 而非仅使用灵敏度近似。

历史情景的局限

  • 过去的危机不会完全重演——市场结构、监管环境和参与者已经改变
  • 仅限于已发生过的事件，无法覆盖"黑天鹅" (Black Swan)
  • 不同历史时期的相关性结构可能显著不同

假设情景法 (Hypothetical Scenarios)

假设情景基于尚未发生但合理可能发生的事件构造，通常结合宏观经济分析和专家判断。

构造流程

  1. 确定风险主题：如地缘政治冲突、利率急剧上升、科技泡沫破裂
  2. 定义宏观变量路径：GDP 增长率、失业率、通胀率等
  3. 传导至市场因子：通过宏观经济模型将宏观变量映射为市场风险因子变动
\[\Delta f_i = \beta_{i,0} + \sum_k \beta_{i,k}\Delta M_k\]

其中 \(\Delta M_k\) 为宏观变量变化，\(\beta_{i,k}\) 为传导系数。

  1. 计算组合损益：基于风险因子变动对组合进行重估

假设情景示例：急剧加息

情景描述：通胀超预期，央行一年内加息 300bp。

市场因子假设：

  • 短端利率上升 300bp，长端上升 150bp（曲线平坦化）
  • 股票市场下跌 20%，信用利差走阔 200bp
  • 汇率：美元升值 10%
  • 波动率：VIX 上升至 40

组合影响评估：逐项计算各头寸在上述因子变动下的损益。

反向压力测试 (Reverse Stress Testing)

与正向压力测试不同，反向压力测试从预设结果出发（如资本充足率跌破监管要求、机构无法持续经营），反推导致该结果的情景。

方法论

\[\text{找到情景 } \mathcal{S}^* : \quad L(\mathcal{S}^*) = L_{\text{threshold}}\]

实践中可通过以下方法实现：

优化方法：在约束组合损失等于目标值的条件下，寻找最可能（最小马氏距离）的情景：

\[\min_{\Delta f} \; \Delta f^T \Sigma^{-1} \Delta f \quad \text{s.t.} \quad L(\Delta f) = L_{\text{target}}\]

马氏距离 (Mahalanobis Distance) 衡量情景偏离正常状态的程度——距离越小，情景越"合理"。

反向压力测试的价值

反向压力测试迫使风险管理者思考"什么会杀死我们"，而不是"已知的风险有多大"。它特别擅长发现隐藏的集中度风险和非线性风险——这些在常规压力测试中容易被忽视。

情景分析的技术要点

相关性结构

危机中资产相关性通常会显著上升（相关性崩溃，Correlation Breakdown）。压力测试需要特别处理这一点：

\[\Sigma_{\text{stress}} \neq \Sigma_{\text{normal}}\]

方法包括：

  • 使用危机时期的历史相关性矩阵
  • 对正常相关矩阵施加压力乘数
  • 使用 Copula 模型捕捉尾部相关性

传染效应 (Contagion)

系统性风险情景需要考虑跨市场传染：

  1. 直接传染：交易对手违约引发连锁反应
  2. 间接传染：火灾抛售 (Fire Sale) 导致资产价格螺旋下跌
  3. 信息传染：对某类机构的信心崩溃蔓延

监管要求 (Regulatory Requirements)

银行业

  • CCAR (Comprehensive Capital Analysis and Review)：美联储年度压力测试，使用监管方规定的宏观情景（基线、不利、严重不利）
  • EBA 压力测试：欧洲银行管理局主导的全欧压力测试
  • ICAAP (Internal Capital Adequacy Assessment Process)：银行内部资本充足性评估，需包含压力测试
  • Basel III Pillar 2：要求银行具备全面的压力测试框架

关键监管指标

压力测试结果通常以以下指标呈现：

\[\text{CET1 Ratio}_{\text{stressed}} = \frac{\text{CET1 Capital} - \text{Stress Losses}}{\text{RWA}_{\text{stressed}}}\]

监管要求压力后 CET1 比率不低于最低要求（通常 4.5%）加缓冲要求。

压力测试的演进

2008 年金融危机后，压力测试从风险管理的辅助工具上升为核心监管手段。美国 2009 年的 SCAP (Supervisory Capital Assessment Program) 被认为是恢复市场信心的关键举措。

近年来，压力测试范围持续扩展，涵盖气候风险 (Climate Risk)、网络安全风险 (Cyber Risk) 和地缘政治风险等新兴领域。气候压力测试（如 NGFS 情景）时间跨度长达数十年，方法论仍在发展中。